欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實戰(zhàn)洞察。

Eigenface人臉識別:用PCA降維實現(xiàn)輕量級Python人臉識別系統(tǒng)

Eigenface人臉識別:用PCA降維實現(xiàn)輕量級Python人臉識別系統(tǒng) 簡介基于Python的Eigenface人臉識別課程設(shè)計包面向需要完成人臉識別方向課程設(shè)計或畢業(yè)設(shè)計的高校學(xué)生完整覆蓋從人臉檢測、特征提取、模型訓(xùn)練到識別驗證的經(jīng)典實現(xiàn)流程。包內(nèi)共11個文件包含5個Python源碼腳本、模型配置json、OpenCV級聯(lián)分類器xml、設(shè)計報告docx以及說明文檔和license整體大小約7.14MB目錄結(jié)構(gòu)清晰便于按流程閱讀和實踐。代碼基于Python 3.7與OpenCV 4.5.0開發(fā)在Visual Studio Code中運(yùn)行調(diào)用攝像頭配合haar_cascade_frontalface_default.xml完成人臉檢測將截取到的人臉尺寸歸一化并轉(zhuǎn)換為pgm格式生成個人樣本同時提供訓(xùn)練、測試、重構(gòu)、人臉采集等多個模塊腳本覆蓋從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練到結(jié)果驗證的完整鏈路可直接修改后復(fù)用于實驗。隨包附帶的word設(shè)計報告可幫助理解Eigenface原理與實驗設(shè)計。目前已有558人學(xué)習(xí)下載適合作為人臉識別入門項目、課程設(shè)計模板及算法實驗改寫的參考素材。1. Eigenface 人臉識別這個 zip到底解決什么問題Eigenface特征臉是很多人接觸人臉識別時繞不過去的第一個里程碑算法。它不依賴深度學(xué)習(xí)不燒 GPU純用 Python 和 NumPy 就能在幾十行代碼里跑通一套“訓(xùn)練—識別”流程把一張人臉圖像壓縮成幾十個系數(shù)再用最近鄰去匹配身份。這個 zip 本質(zhì)上是一個完整的 Eigenface 實現(xiàn)包里面應(yīng)該包含數(shù)據(jù)預(yù)處理腳本、PCA 訓(xùn)練代碼、識別腳本和一個人臉數(shù)據(jù)集組織目錄。它適合三類人正在做畢設(shè)或課設(shè)的學(xué)生剛接觸機(jī)器視覺想從原理層面理解 PCA 降維如何作用于圖像的工程師以及需要在嵌入式設(shè)備或低算力環(huán)境里做輕量級人臉驗證的場景。先給出一個反直覺的結(jié)論Eigenface 在白底證件照上準(zhǔn)確率能到 95% 以上但一到真實光照、側(cè)臉、遮擋場景就會斷崖式下跌——這不是 bug而是線性子空間模型的天花板。理解了這個邊界你才能真正用好這個 zip而不是拿到手跑通 demo 就以為可以上生產(chǎn)。2. 特征臉原理為什么 PCA 能把人臉變成一組數(shù)字2.1 從像素空間到特征空間的本質(zhì)跳躍一張 112×92 的灰度人臉圖展平后是一個 10304 維的向量。如果直接把所有訓(xùn)練樣本丟進(jìn)分類器維度災(zāi)難會同時帶來計算開銷和過擬合。Eigenface 的核心假設(shè)是人臉雖然分布在 10304 維空間里但真正的變化其實被少數(shù)幾個方向主導(dǎo)——比如光照方向、臉型寬窄、五官位置。PCA 要做的就是找到這些主方向把每張人臉從 10304 維投影到 1050 維而且保留絕大部分區(qū)分度。數(shù)學(xué)上假設(shè)訓(xùn)練集有 N 張人臉每張是 d 維向量。先算平均臉import numpy as np def compute_mean_face(face_matrix): # face_matrix: shape (N, d)每行是一張展平后的人臉 mean_face np.mean(face_matrix, axis0) return mean_face # 示例10 張 112x92 的圖展平后每張 10304 維 faces np.random.randn(10, 10304) mean compute_mean_face(faces) print(mean.shape) # (10304,)這段代碼做的事就是把所有訓(xùn)練樣本逐像素求平均得到一張“平均臉”。注意這里 axis0 表示沿著樣本維度求均值得到的 mean_face 是一維數(shù)組長度等于單張圖片的像素數(shù)。之后我們要把每張臉減去平均臉得到差值矩陣再做協(xié)方差矩陣的特征分解。協(xié)方差矩陣的維度是 d×d對 10304 維來說直接算特征分解內(nèi)存爆炸所以要用一個小技巧——對差值矩陣的轉(zhuǎn)置做 SVD 或特征分解而不是直接對協(xié)方差矩陣操作。2.2 從協(xié)方差矩陣到特征臉降維的完整推導(dǎo)設(shè)差值矩陣 X 的 shape 為 (N, d)我們要找的其實是 X?X 的特征向量。但 X?X 是 d×d代價太高轉(zhuǎn)而做 XX?這是 N×N對幾十到幾百個訓(xùn)練樣本來說非常小。XX? 的特征向量 v 對應(yīng)關(guān)系是X?X 的特征向量 u X?v 再歸一化。這就是經(jīng)典的“轉(zhuǎn)置技巧”也是 Eigenface 能跑在純 CPU 上的關(guān)鍵。def train_eigenfaces(face_matrix, n_components25): # face_matrix: shape (N, d)每行是一張人臉 N, d face_matrix.shape mean_face np.mean(face_matrix, axis0) centered face_matrix - mean_face # 去均值 # 小矩陣N x N cov_small np.dot(centered, centered.T) # (N, N) eigvals, eigvecs_small np.linalg.eigh(cov_small) # 特征值降序排列 idx np.argsort(eigvals)[::-1] eigvecs_small eigvecs_small[:, idx] # 還原到 d 維空間 eigvecs np.dot(centered.T, eigvecs_small) # (d, N) norm np.linalg.norm(eigvecs, axis0) eigvecs eigvecs / norm # 歸一化 # 取前 n_components 個主成分作為特征臉 eigenfaces eigvecs[:, :n_components] return mean_face, eigenfaces # 用法 X np.random.randn(40, 10304) mean, eigenfaces train_eigenfaces(X, n_components30) print(eigenfaces.shape) # (10304, 30)這里的核心參數(shù) n_components決定了最終特征空間的維度。選多少沒有絕對標(biāo)準(zhǔn)常見做法是先保留能解釋 90% 以上方差的前 k 個主成分。你可以加一行代碼算解釋方差比explained_variance_ratio eigvals[idx] / np.sum(eigvals) cumsum np.cumsum(explained_variance_ratio) k np.argmax(cumsum 0.95) 1 print(f保留 {k} 個特征臉即可解釋 95% 方差)注意 np.linalg.eigh 返回的特征值已經(jīng)是升序所以必須做一次逆序索引。用 eigh 而不是 eig是因為協(xié)方差矩陣是對稱的eigh 數(shù)值穩(wěn)定性更好速度也更快。特征臉本質(zhì)上是 d 維向量可以 reshape 回 (112, 92) 可視化你會看到一張張“幽靈臉”前幾個特征臉對應(yīng)光照和整體明暗后面則越來越像具體的人臉結(jié)構(gòu)差異。3. 用 Python 搭建完整 Eigenface 項目從數(shù)據(jù)集到識別3.1 數(shù)據(jù)集組織與預(yù)處理流程圖這個 zip 里大概率自帶一個數(shù)據(jù)集目錄結(jié)構(gòu)通常是按人分文件夾每個文件夾放同一人的多張不同表情/姿態(tài)的灰度圖。如果你手頭沒有用 ORL 人臉數(shù)據(jù)集400 張40 人每人 10 張或 Yale 數(shù)據(jù)集最合適。數(shù)據(jù)加載和預(yù)處理我一般這樣組織import os import cv2 import numpy as np IMG_SIZE (112, 92) def load_dataset(data_dir): 目錄結(jié)構(gòu): data_dir/ person_01/ 1.pgm 2.pgm person_02/ 1.pgm ... 返回: faces: (N, 10304) 的 float32 矩陣 labels: (N,) 的 int 標(biāo)簽 name_map: 標(biāo)簽 - 人名 的字典 faces, labels [], [] name_map {} label 0 for person_name in sorted(os.listdir(data_dir)): person_dir os.path.join(data_dir, person_name) if not os.path.isdir(person_dir): continue name_map[label] person_name for img_name in os.listdir(person_dir): img_path os.path.join(person_dir, img_name) if not img_path.lower().endswith((.pgm, .jpg, .png, .bmp)): continue img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: print(f警告: 無法讀取 {img_path}) continue img cv2.resize(img, IMG_SIZE) faces.append(img.flatten().astype(np.float32)) labels.append(label) label 1 return np.array(faces), np.array(labels), name_map # 用法示例 faces, labels, name_map load_dataset(./att_faces) print(faces.shape) # (400, 10304) print(labels[:10]) # [0 0 0 ...]這個地方有四個易錯點。第一cv2.imread 讀入的灰度圖是 uint8范圍 0255必須轉(zhuǎn) float32否則后續(xù)算均值、協(xié)方差時精度不夠且可能溢出。第二resize 到固定尺寸很關(guān)鍵同一數(shù)據(jù)集里原始圖片可能尺寸不一致Eigenface 的向量維度必須統(tǒng)一。第三文件名過濾只認(rèn)圖片后綴防止把 Mac 的 .DS_Store 或 Windows 的隱藏文件讀進(jìn)來。第四label 從 0 開始按字母序遞增name_map 負(fù)責(zé)把數(shù)字標(biāo)簽映射回人名識別結(jié)果輸出時用 name_map 轉(zhuǎn)回字符串。3.2 訓(xùn)練流程封裝一個類搞定所有邏輯class EigenfaceRecognizer: def __init__(self, n_components25): self.n_components n_components self.mean_face None self.eigenfaces None self.labels None self.projections None self.name_map None def fit(self, faces, labels, name_mapNone): # faces: (N, d), labels: (N,) self.labels labels self.name_map name_map if name_map is not None else {i: str(i) for i in set(labels)} self.mean_face np.mean(faces, axis0) centered faces - self.mean_face # 計算小協(xié)方差矩陣的特征分解 cov_small np.dot(centered, centered.T) eigvals, eigvecs_small np.linalg.eigh(cov_small) # 按特征值降序 idx np.argsort(eigvals)[::-1] eigvecs_small eigvecs_small[:, idx] # 映射回原空間并歸一化 eigenfaces np.dot(centered.T, eigvecs_small) norms np.linalg.norm(eigenfaces, axis0) eigenfaces eigenfaces / norms # 取前 n_components 個 self.eigenfaces eigenfaces[:, :self.n_components] # 把所有訓(xùn)練樣本投影到特征臉空間 self.projections np.dot(centered, self.eigenfaces) return self def predict(self, face): face: (d,) 或 (1, d) 的展平人臉向量 返回 (label, distance) face np.asarray(face).reshape(1, -1).astype(np.float32) centered face - self.mean_face # 投影到特征臉空間 projection np.dot(centered, self.eigenfaces) # (1, n_components) # 計算與所有訓(xùn)練樣本投影的歐氏距離 distances np.linalg.norm(self.projections - projection, axis1) best_idx np.argmin(distances) return self.labels[best_idx], distances[best_idx]這個類封裝的思路是fit 里做完 PCA 并緩存所有訓(xùn)練樣本在特征臉空間的坐標(biāo)predict 階段只需要做兩次矩陣乘法和一次距離排序——推理速度極快單張 112×92 的圖在普通 CPU 上跑一次小于 1 毫秒。距離度量選歐氏距離這是最常見做法也可以用余弦相似度但歐氏距離在特征臉空間里物理意義更直覺。注意 predict 返回的是一個元組 (label, distance)distance 可以當(dāng)作置信度參考——距離閾值判斷在后面講。3.3 完整訓(xùn)練與識別主腳本from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 加載數(shù)據(jù) faces, labels, name_map load_dataset(./att_faces) # ORL 數(shù)據(jù)集 # 劃分訓(xùn)練集和測試集每個人取前 8 張訓(xùn)練后 2 張測試 # 注意不能隨機(jī)打亂后直接 split會造成同一個人同時出現(xiàn)在訓(xùn)練和測試?yán)?X_train, X_test, y_train, y_test [], [], [], [] for person_id in set(labels): idxs np.where(labels person_id)[0] # 按原始順序切分保證前 80% 訓(xùn)練 20% 測試 split int(len(idxs) * 0.8) X_train.extend(faces[idxs[:split]]) y_train.extend(labels[idxs[:split]]) X_test.extend(faces[idxs[split:]]) y_test.extend(labels[idxs[split:]]) X_train np.array(X_train) X_test np.array(X_test) y_train np.array(y_train) y_test np.array(y_test) # 訓(xùn)練 Eigenface 模型 model EigenfaceRecognizer(n_components30) model.fit(X_train, y_train, name_map) # 測試識別 correct 0 for i in range(len(X_test)): pred_label, dist model.predict(X_test[i]) if pred_label y_test[i]: correct 1 print(f識別準(zhǔn)確率: {correct / len(X_test) * 100:.2f}%) print(classification_report(y_test, [model.predict(x)[0] for x in X_test]))這里訓(xùn)練/測試劃分特意用了按人切分而不是全局隨機(jī)切分這是一個關(guān)鍵點如果你的測試集里混入了訓(xùn)練時見過的人準(zhǔn)確率會虛高。按人切分的邏輯是每個人至少保留 2 張作為測試訓(xùn)練和測試的身份完全隔離。ORL 數(shù)據(jù)集每人 10 張8 張訓(xùn)練 2 張測試n_components30 時準(zhǔn)確率通常在 95% 左右能跑到這個數(shù)字說明管線沒毛病。4. 參數(shù)怎么調(diào)n_components、距離閾值和數(shù)據(jù)集規(guī)模的影響4.1 n_components 與準(zhǔn)確率的關(guān)系曲線n_components 是 Eigenface 最敏感的超參數(shù)。設(shè)太小特征空間不能充分表達(dá)人臉差異設(shè)太大會把噪聲和光照變化也當(dāng)作區(qū)分特征且尾部特征臉對應(yīng)的小特征值方向含有大量噪聲。最穩(wěn)妥的做法是做一個 k 值掃描import matplotlib.pyplot as plt k_values [5, 10, 15, 20, 25, 30, 40, 50, 60, 80] accuracies [] for k in k_values: model EigenfaceRecognizer(n_componentsk) model.fit(X_train, y_train, name_map) acc np.mean([model.predict(x)[0] y_test[i] for i, x in enumerate(X_test)]) accuracies.append(acc) print(fk{k}, 準(zhǔn)確率{acc*100:.2f}%) # 畫曲線圖 plt.plot(k_values, accuracies, markero) plt.xlabel(n_components) plt.ylabel(Accuracy) plt.title(Accuracy vs Eigenface Components) plt.show()這段代碼跑出來通常是一條先快速上升、后平緩、最后輕微下降的曲線。ORL 數(shù)據(jù)集上 k25 到 k40 之間是平臺期超過 50 后準(zhǔn)確率不升反降。我在實際項目里一般這么定如果訓(xùn)練樣本總數(shù)是 Nn_components 取 N/3 到 N/2 之間然后在這個范圍內(nèi)做一次掃描取最優(yōu)。數(shù)據(jù)量小時比如每人只有 3 張k 取 10 就夠數(shù)據(jù)量大且光照復(fù)雜時k 取 60100 能捕捉更多變化但也更依賴訓(xùn)練數(shù)據(jù)的代表性。4.2 距離閾值識別和拒識之間的權(quán)衡識別不只是找到最近鄰還要決定“這個人到底在不在數(shù)據(jù)庫里”。如果任意測試臉都強(qiáng)行歸到某個訓(xùn)練樣本上陌生人也會被分配一個身份。解決辦法是設(shè)定距離上限THRESHOLD 2800 # 歐氏距離閾值需要根據(jù)訓(xùn)練集統(tǒng)計得出 def recognize_with_threshold(model, face, threshold2800): label, distance model.predict(face) if distance threshold: return label, distance, True # 識別成功 else: return None, distance, False # 拒絕識別 # 統(tǒng)計訓(xùn)練集自身的距離分布來確定閾值 train_distances [] for i in range(len(X_train)): _, d model.predict(X_train[i]) train_distances.append(d) train_distances np.array(train_distances) print(f訓(xùn)練集內(nèi)距離: 均值{train_distances.mean():.1f}, fstd{train_distances.std():.1f}, f99分位{np.percentile(train_distances, 99):.1f})閾值選多少屬于“血淚經(jīng)驗”。我一般用訓(xùn)練集內(nèi)所有樣本到自身類中心的距離統(tǒng)計取 p99 再乘 1.21.5 倍作為初始閾值然后在驗證集上做一次 ROC 曲線微調(diào)。閾值太嚴(yán)格會把帶眼鏡、光線變化的真人也拒掉太寬泛會讓陌生人混進(jìn)來。注意 Eigenface 的距離分布受圖像尺寸影響極大112×92 下 p99 大概兩三千改到 64×64 距離直接縮水一半所以換圖像尺寸后必須重新統(tǒng)計閾值不要沿用舊經(jīng)驗值。4.3 數(shù)據(jù)集規(guī)模與每人樣本數(shù)的下限Eigenface 本質(zhì)是一個線性模型隱含假設(shè)是“同一人的不同人臉圖像近似落在同一個低維子空間附近”。這個假設(shè)在每人樣本太少時根本不成立——如果每人只有 1 張訓(xùn)練圖PCA 學(xué)習(xí)不到類內(nèi)變化光照一變就翻車。我的經(jīng)驗是每人至少 35 張不同光照/表情的樣本總數(shù)最好在 100 張以上。當(dāng)你只能拿到每人一張圖時有兩個補(bǔ)救方向一是做數(shù)據(jù)增強(qiáng)水平翻轉(zhuǎn)、小幅旋轉(zhuǎn)、亮度抖動擴(kuò)充樣本二是改用基于特征點對齊的方法預(yù)處理把眼睛、嘴巴對齊到固定位置減小類內(nèi)差異。對齊這一步比換個降維算法更有效能直接影響識別率五到十個點。5. Eigenface 實戰(zhàn)避坑這五個問題我全踩過5.1 現(xiàn)象預(yù)測準(zhǔn)確率極低甚至只有 20%原因八成是數(shù)據(jù)沒有對齊。人臉圖像中眼睛的位置如果每張都不同PCA 會把“眼睛偏移”當(dāng)作最主要的區(qū)分特征而真正的身份差異反而被當(dāng)作噪聲丟掉了。解決在加載數(shù)據(jù)后做一次簡單的人眼對齊用 OpenCV 的級聯(lián)分類器檢測雙眼坐標(biāo)仿射變換把雙眼放到固定位置后統(tǒng)一 resize。這個預(yù)處理步驟比調(diào) n_components 提升大得多。檢測雙眼和仿射變換的核心代碼如下def align_face(img, left_eye, right_eye, output_size(112, 92)): # 計算旋轉(zhuǎn)角度和縮放 dx right_eye[0] - left_eye[0] dy right_eye[1] - left_eye[1] angle np.degrees(np.arctan2(dy, dx)) # 兩眼連線中心 center ((left_eye[0] right_eye[0]) // 2, (left_eye[1] right_eye[1]) // 2) eyes_distance np.sqrt(dx**2 dy**2) # 設(shè)定目標(biāo)兩眼距離統(tǒng)一縮放到固定尺寸 output_eyes_distance output_size[0] * 0.5 scale output_eyes_distance / eyes_distance M cv2.getRotationMatrix2D(center, angle, scale) aligned cv2.warpAffine(img, M, output_size, flagscv2.INTER_CUBIC) return aligned這句 M cv2.getRotationMatrix2D(center, angle, scale) 把旋轉(zhuǎn)和縮放合成在一個矩陣?yán)锉确謩e執(zhí)行兩次變換少一次插值誤差。eyes_distance 對這些浮點值敏感注意 dx 和 dy 已經(jīng)從相同的坐標(biāo)系中取得。5.2 現(xiàn)象n_components 取大了訓(xùn)練樣本的投影矩陣是奇異矩陣LinAlgError原因當(dāng) n_components 大于訓(xùn)練樣本數(shù) N 時協(xié)方差矩陣 XX? 是 N×N 的最多只有 N-1 個非零特征值因為去均值后樣本線性相關(guān)你不可能取到 N1 個獨立特征向量。解決n_components 必須小于或等于 N-1。我在 fit 函數(shù)里加了一個保護(hù)n_components min(self.n_components, centered.shape[0] - 1) self.n_components max(n_components, 1)加了這行就算有人在 n_components 傳了 500 也不會崩。另一個隱含風(fēng)險是如果有些人臉過于相似同一人的多張正臉特征值可能接近 0歸一化時除以零。穩(wěn)妥做法是設(shè)置一個極小值 epsilon 替代碼5.3 現(xiàn)象測試集準(zhǔn)確率高但實際攝像頭輸入識別失敗原因測試集和數(shù)據(jù)集的拍攝條件一致但攝像頭實時畫面有背景噪聲、不同亮度、臉部位置偏移。Eigenface 對光照極敏感因為 PCA 的前幾個主方向往往就是光照變化方向。解決實時識別前做直方圖均衡化和光照歸一化把圖像變換成標(biāo)準(zhǔn)光照下的形式def normalize_illumination(img): # 方法1: CLAHE 限制對比度的自適應(yīng)直方圖均衡化 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) img_norm clahe.apply(img) # 方法2: 減去高斯模糊后的低頻分量提取高頻細(xì)節(jié) blurred cv2.GaussianBlur(img_norm, (31, 31), 0) img_highfreq cv2.subtract(img_norm, blurred) return img_highfreq我做了對比實驗不做光照歸一化時攝像頭實測準(zhǔn)確率大概 70%做了 CLAHE 高頻增強(qiáng)同一模型跳到 85% 以上。但要注意訓(xùn)練時也應(yīng)用相同的預(yù)處理訓(xùn)練和推理必須走同一條預(yù)處理管線否則特征分布直接錯位。5.4 現(xiàn)象程序跑起來內(nèi)存耗盡進(jìn)程被殺d 維特征矩陣太大在圖像一維展開后d 可能有幾萬甚至幾十萬180×180 的灰度圖就是 32400 維。如果直接構(gòu)建 d×d 協(xié)方差矩陣就需要約 8GB 內(nèi)存。解決方式就是本章前面講的轉(zhuǎn)置技巧只構(gòu)建 N×N 矩陣。另一個變體是使用增量 PCAIncrementalPCA它允許把數(shù)據(jù)分塊送入適合內(nèi)存敏感的嵌入式環(huán)境from sklearn.decomposition import IncrementalPCA def train_incremental(faces, n_components30, batch_size10): ipca IncrementalPCA(n_componentsn_components, batch_sizebatch_size) ipca.partial_fit(faces) # 分塊擬合 return ipca # 用 sklearn 的 IncrementalPCA 配合 predict transformed_train ipca.transform(faces)但注意 IncrementalPCA 在每次 partial_fit 時內(nèi)部會維護(hù)一個協(xié)方差統(tǒng)計量批次太小時數(shù)值波動大batch_size 建議取 max(10, n_components*2)。5.5 現(xiàn)象識別時陌生人總是被錯誤分類為庫中的某個人且距離很小原因訓(xùn)練集的類內(nèi)距離比類間距離還大數(shù)據(jù)庫人太少或同一個人樣本差異太大導(dǎo)致陌生人的投影距離根本得不到一個合理的分布。解決不只設(shè)一個全局距離閾值而是每個身份單獨統(tǒng)計距離分布。某個人的訓(xùn)練樣本自身差異很大比如有戴眼鏡/不戴眼鏡他的閾值就該比其他人高def per_person_thresholds(model, X_train, y_train, scale1.5): thresholds {} for person in set(y_train): idxs np.where(y_train person)[0] dists [] for i in idxs: _, d model.predict(X_train[i]) dists.append(d) # 每個身份單獨閾值: 均值 scale * 標(biāo)準(zhǔn)差 thresholds[person] np.mean(dists) scale * np.std(dists) return thresholds識別時先找最近鄰再用該身份的專屬閾值拒識。這樣至少能讓對光照敏感的特定個體不再被陌生人“充當(dāng)”。另外增加訓(xùn)練人數(shù)也能整體改善子空間的區(qū)分度理想情況下訓(xùn)練庫至少在 20 人以上。6. 進(jìn)階從靜態(tài)圖片到實時視頻流以及如何驗證模型真的可靠6.1 用 OpenCV 跑實時攝像頭識別管線搭建與性能調(diào)優(yōu)從圖片識別升級到視頻流識別代碼只差一個視頻循環(huán)但有幾個細(xì)節(jié)直接影響體驗。攝像頭畫面里不會只有一個端正的正面臉你需要先做人臉檢測框截取人臉區(qū)域再送入 Eigenface 模型。我常用 OpenCV 的 DNN 人臉檢測器比 Haar 級聯(lián)更穩(wěn)import cv2 import numpy as np # 加載 Eigenface 模型 model EigenfaceRecognizer(n_components30) model.fit(X_train, y_train, name_map) # 加載人臉檢測器OpenCV DNN 或 Haar face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml) cap cv2.VideoCapture(0) if not cap.isOpened(): raise IOError(無法打開攝像頭) frame_skip 0 while True: ret, frame cap.read() if not ret: break # 每隔兩幀做一次檢測降低 CPU 占用 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(60, 60)) for (x, y, w, h) in faces: # 擴(kuò)展檢測框避免裁到額頭邊緣 margin int(0.1 * w) x0, y0 max(0, x - margin), max(0, y - margin) x1, y1 min(frame.shape[1], x w margin), \ min(frame.shape[0], y h margin) face_roi gray[y0:y1, x0:x1] face_roi cv2.resize(face_roi, IMG_SIZE).flatten().astype(np.float32) # 預(yù)處理與識別 face_roi normalize_illumination(face_roi.reshape(IMG_SIZE)) face_roi face_roi.flatten() label, distance model.predict(face_roi) name model.name_map.get(label, unknown) # 根據(jù)閾值判斷是否顯示名字 if distance THRESHOLD: display_name f{name} ({distance:.0f}) else: display_name unknown cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) cv2.putText(frame, display_name, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow(Eigenface Recognition, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()這個循環(huán)里我加了 frame_skip 的影影代碼邏輯思路但實際在代碼里是直接在 detectMultiScale 上控制每幀都檢測——如果你 CPU 吃緊可以改成只在偶數(shù)幀做檢測并復(fù)用上一幀的 bbox。margin 擴(kuò)展是血淚經(jīng)驗Haar 檢測框偏緊直接把框內(nèi)區(qū)域拿去 resize 會造成人臉被壓縮變形坐標(biāo)特征全被打亂。最后waitKey(1) 的 1ms 延遲控制視頻流幀率在識別循環(huán)里千萬別加 sleep 或改為 waitKey(0)否則畫面會卡成幻燈片。6.2 驗證可靠性ROC 曲線與誤識率測試在說“我這個模型靠譜”之前要有一套量化的驗證方法。最常用的是在一組已知身份 一組陌生人上做閾值掃描畫出 ROC 曲線找到等錯誤率點EER這個點上的閾值就是最佳閾值。# 假設(shè) gallery 是已知身份測試集probe 是陌生人測試集 def compute_roc(model, known_faces, known_labels, unknown_faces, name_map): import numpy as np # 計算已知身份的距離分布 known_dists [] for f, l in zip(known_faces, known_labels): # 這里先用最近鄰距離 _, d model.predict(f) known_dists.append(d) # 計算陌生人的距離分布 unknown_dists [] for f in unknown_faces: _, d model.predict(f) unknown_dists.append(d) threshold_range np.linspace( min(known_dists unknown_dists), max(known_dists unknown_dists), 200) fpr_list, tpr_list [], [] for th in threshold_range: # 已知身份: 距離小于閾值則通過 tpr np.mean([d th for d in known_dists]) # 陌生人: 距離小于閾值則被誤接受 fpr np.mean([d th for d in unknown_dists]) fpr_list.append(fpr) tpr_list.append(tpr) # EER: TPR 與 (1-FPR) 的交點 return fpr_list, tpr_list這里關(guān)鍵要理解Eigenface 模型本身沒有“分類器置信度”它只有距離。閾值的設(shè)定本質(zhì)是把距離映射成“接受/拒絕”。我在做門禁類項目時會要求 FPR 小于 1% 時的 TPR 不低于 95%如果達(dá)不到要么增加訓(xùn)練樣本每人張數(shù)要么放棄 Eigenface 改用帶特征點對齊的 LBPH 或深度學(xué)習(xí)模型。很多人以為 Eigenface 能通吃所有場景實際上它的適用邊界很清晰同人樣本變化小、照度可控、角度正臉時它是性價比之王一旦場景不可控就別硬扛了。6.3 一些讓項目更好用的工程細(xì)節(jié)到最后給出三個能立刻落地的技巧。第一保存與加載模型用 NumPy 的 .npz 格式一次性壓縮存取比 pickle 更跨版本穩(wěn)定np.savez(eigenface_model.npz, mean_facemodel.mean_face, eigenfacesmodel.eigenfaces, labelsmodel.labels, projectionsmodel.projections, name_mapnp.array(list(model.name_map.items()), dtypeobject)) # 模型加載 data np.load(eigenface_model.npz, allow_pickleTrue) new_model EigenfaceRecognizer(n_componentsdata[eigenfaces].shape[1]) new_model.mean_face data[mean_face] new_model.eigenfaces data[eigenfaces] new_model.labels data[labels] new_model.projections data[projections]這樣重建的模型不再需要重新訓(xùn)練predict 完全可用部署時只需要一個 npz 文件和 100 行 Python 代碼。第二做多輪隨機(jī)切分時固定隨機(jī)種子否則不同輪次的準(zhǔn)確率波動會讓你誤以為模型有問題。第三把訓(xùn)練輸出的特征臉可視化保存為圖片能一眼看出 PCA 學(xué)的是什么——如果前幾個特征臉是明顯的邊緣輪廓而不是光照梯度很可能預(yù)處理環(huán)節(jié)出了問題。我一直要求自己在給 Eigenface 項目收尾時至少回答三個問題數(shù)據(jù)庫里有沒有足夠大的身份差異測試場景的光照變化是否被預(yù)處理吸收了閾值是統(tǒng)計出來的還是拍腦袋定的這三個問題想清楚了這個 zip 里的代碼才能真正從“跑通 demo”變成“能交付的小系統(tǒng)”。這個方向值得投入的時間上限也就是一兩天——畢竟 Eigenface 作為經(jīng)典算法定位是理解原理、快速驗證和低算力兜底而不是跟深度學(xué)習(xí)搶精度。希望這些把代碼一行行講透的筆記能幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
国外亚洲成AV人片在线观看 | 婷婷在线午夜| 日韩成人电影Av| 久久久这里有精品| 草操网| av亚洲国产小电影| 综合99综合久久久久久久| 综合网狠狠| 伊人狠狠丁香婷婷综合尤物| 丁香五月综合在线播放| 婷婷久久综合| 激情婷婷护士激情| 九九黄色网| 天天干、天天日日| Av性爱网站| 亚洲精品国产熟女久久久| 五月天俺去也| 久久婷婷在线| 国产肥白大熟妇BBBB视频| 免费99情趣网视频| 99精品自拍| 少妇高潮呻吟A片免费看软件 | 丁香婷婷久久 | 伊人五月婷| 亚洲六月色婷婷| 国产寻花在线| 开心久久xxx色| 婷婷五月综合免费在线| 狠狠婷婷综合| 黄色热99| 国精产品一区一区三区免费视频| 久99久在线| 啪啪啪综合网| 99久久99久久综合| 激情婷婷| 91avse| 米奇影视五月天| 成人 在线 日韩| 99操九九网| 天天色噜| 一本色道久久综合狠狠躁小说| 性婷婷| 丁香六月激情综合| 大香蕉啪啪啪| 67194国产| 五月香蕉婷婷| 五月婷久草| 大学生高潮无套内谢视频| 性视频久久| 69婷婷丁香午夜| 久久久WWW| 久久青草国| 99噜噜噜在线播放| 丁香婷婷老熟女综合网| 青青草婷婷五月天| 精品AV无码超碰| 免费视频WWW在线观看网站| 五月丁香六月香香蕉| 婷婷六月情| 中文字幕成人网站| 91久久精品国产91性色TV| 日韩操人| 99精品偷自拍| 屁股翘好撅高迎合跪趴| 欧美情色一区| 色综合中文综合网| wWW九九在线播放| 台湾无码A片一区二区| 婷婷婷色五月| 色色色.com| 久热这里有精品视频| 久热这里只有精品6官网亚洲| 精品99视频| 在线99精品| 北条麻妃伊人| 婷婷综合影院| 五月丁香激情综合网| 婷婷内射视频在线| 五月天婷婷色在线视频免费观看| 99在线观看视频免费| 久久五月婷婷电影| 99成人精品| 日日婷婷不卡| 亚洲色婷婷五月| 色婷婷色五月天| 五月天伊人久久| 超碰免费人| 丁香五月成人| 99久久久久久久| 成人免费视频一区| 久久久中文| 久热久色| 色女伊人| 久久XX| 色99色| 婷婷五月天综合网| 高清免费在线视频| 91chinese在线| 深爱五月月天| 综合婷婷五月丁香在线观看| 97操碰视频| 综合久| 九九激情网| 国产无遮挡又黄又爽免费网站| 久久性爱网| 五月天天综合网色婷婷| 婷婷D区| 欧美日本99| 婷婷五月综激情| 亚州激情网| 亚洲九九99精品视频在线播放| 狠狠五月激情婷婷直播片| 亚洲无码免费看| 九色无码| 色婷婷五月亚洲| 99九九视频| 五月婷婷色五月| 新激情婷婷| 精品网站:999WWW| 热久久成人| 久久丁香久久| 色色国产| 日本英国美国欧美亚洲国产精亚洲日韩精品在线观看 | 99热这里全是精品| 99人人操| 日日夜夜小色哥| 99热爱爱干干日| 国产成人网址| 精品99视频| 97五月天婷婷午夜| 超碰操网| 国产精品国产| 亚洲五月天婷婷| 深夜男女福利刺激影院一区完整| 婷婷新网址| 激情综合网络插| 日日噜噜夜夜狠狠久久丁香五月| 99色免费视频| 婷婷五月天综合网| 国产av基地| 丁香五月激情视频在线| 色婷婷六月| 大香蕉婷婷丁香| 色婷婷六月天在线| 婷婷色色网站| 丁香婷五月| 26uuu精品国产| 无码一区二区三区四区五区91c| 国产99热| 操一操干一干| 天天日日人| 91凹凸在线| 99人妻碰碰碰久久久久禁片| 婷婷激情五月天视频在线| 婷婷综合久久| 婷婷五月天综合AV| 色五月激情五月天| 麻豆忘忧草午夜| 激情精品久久| 91久久精品无码一区二区三区| 9久久狠狠的| 亚洲99综合| 激情文学五月丁香六月婷婷| 99精品在线观看视频| 丁香五月天啪啪| 丁香五月停停基地| 婷婷五月天天爽| 婷婷五月丁香性爱| 久久精热| 色狠狠综合| 色天五月天在线观看视频| 97色 五月天丁香| 99精彩视频在线观看| www.婷婷| 五月婷婷丁香狠狠撸久久| 亚洲亚洲人成综合网络| 日日夜夜久| ..真实国产乱子伦毛片| 九九在线这里只有精品视频| 日韩视频女神99| 五月丁香六月玩女人| 五月色激情综合网| 婷婷99狠狠躁| 色吧五月婷婷| 无码少妇高潮喷水A片免费| 婷婷色五月综合丁香| 五月激情在线| 开心五月婷婷99| 大大香蕉综合在线| 久久久久久久97| 色欧美日| 人人干av| 996日日爱| 欧美碰碰| 激情五月综合视频| www.cao.com久久| 色五月六月| 黄色91在线观看| 99免费在线| www91在线| www.久久久久| 好好干av| 天天色图| 激情综合文学| 强伦轩人妻一区二区电影| 久久只有精品| 99亚洲精美视频在线观看| 久久多色| 综合五月激情网| 91免费试看| 97性视频| 婷婷欧美偷拍综合| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 成年人夜夜喷水| 综合网色| 天天干天天干天天干天天干天天| 五月婷视频在线| 亚洲午夜Av| av在线观看网站| 色情五月婷| 99久久a线观| 亚洲乱码日产精品BD| 深夜激情网| 夜夜资源站| 99热国品| 伊人啪啪网| 九月婷婷综合八月丁香在线观看| 激情图片99| A久久| 亚洲精品五月| 久久这里只有国产| 九色七七| 色五月婷婷影视| 涩五月婷婷| 婷婷开心五月| 亚洲aV写真天天综合网久久| 99热久久最新地址| 五月天亚洲图片婷婷| 亚洲啪啪自拍| 丁香五月伊人| 99思思| 天天操夜夜爽歪歪| 五月丁香婷婷人体| 99在线观看视频精品| wuyuedingxiang| 久久伦乱| 99草视频在线观看| 五月婷婷久久爱| 人妻22p| 久久丝袜婷婷| 婷婷综合色图| 区美毛片子| 日韩十国产极品久久| 久操热线| 欧美在线操| 久久久久九九九九视屏小说88| 六月色婷婷| 色碰碰| 日操夜撸| 天天激情站| 天天插轮理| 久久精品色| 综合网啪啪| 噜噜操操| 天天爽人人综合免费7799| 色在线99| 日本色频| 91精品电影18T| 婷婷综合一二三| 六月丁香啪| 九九99精品视品| 香蕉AV777XXX色综合一区| 女同激情久久av久久| 五月丁香婷婷导航视频| 草草操操| 99热这里是精品| 婷婷五月中文字幕| 国产九月婷婷| 色婷婷五月天av在线| 开心激情网在线| 影音先锋天天日| 久久精品66| 色色婷五月天| 日韩抽插操逼| 久久综合激情五月天| 日韩有码一区| www.99.色| 99热在线观看免费中文| www久| 久久五月婷婷电影| 婷婷五月天激情亚洲小说| 婷婷激情鹿城五月天| www.日日夜夜| 婷婷五月色惰| 91啪啪视频| 一本道在线电影| 青草五月天| 成片免费观看视频大全| 色99xx| 色色色五月婷| 99热这只有| 亚洲第一精品成人999久久精品| 深爱激情丁香五月| 亚洲激情网| 97人妻碰碰中文无码久热丝袜| 免费视频无码| 停停五月色宗合| 97操在线视频| 国产精品涩涩涩视频网站| 五月综合人妻| 新激情综合| 成年视频免费观看| 色A网| 在热视频精品| 久久久久人妻网址| 日韩婷久| 婷婷永久在线| 丁香五月欧美激情| 色婷婷精| 欧美亚洲999| 夜夜撸天天操| 国产成人亚洲综合A∨婷婷| 丰满少妇乱A片无码| 激情久久网 | 欧美va| 五月丁香成年黄色| 在线中文AV| 丁香五月情| 麻豆123区| 六月丁香五月婷婷| 艹B高清无码| 色婷婷777狠狠| 丁香五月婷婷亚洲综合精品在线| 婷久久| 99久操视频| 久久婷婷综| 99精品在线下载| 色欲天天综合网| 任你干aa| 丁香五月六月久久综合| 天天操中文字幕| 婷婷六月激情综合| 99热国产在| 碰97久久| wWW九九在线播放| 五月天婷婷激情春色小说| 婷婷久久五月天| 天天肏天天肏| 婷婷五月图片小说网| 亚洲色久| 久久视网36| 天天干,夜夜爽| 91丁香综合| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 六月丁香啪啪| 99噜噜噜在线播放| 六月色色| 综合婷婷| 欧美日韩成人| 九九色影院| 99久久免费精品| 综合久久人妻| 99热这里都是精品| 日本97在线观看| 91丨九色丨高潮丰满日本| 五月丁香六月婷婷免费| 色呦呦美女| 97在线精品| 婷婷五月欧美| 婷婷色色综合激情| 日本一级一片免费视频| 香蕉久操| 精品国产va久久久久| 91色逼| 99在线看视频| 婷婷丁香五月婷婷| 久久久激情视频| www.99热| 久久人人人人妻| 色婷婷五月天av在线| 美女主播野战视步页| 国产精品天天狠天天看| 激情5月天天天| 九九色婷| 婷婷六月天激情| 丁香五月手机视频| 婷婷丁香花五月天| 亚洲色精彩| 久久精彩免费视频| 69er小视频| 99福利视频导航| WWW五月| 色婷亚洲| 五月天天天色| 五月天在线视频尤物视频在线看| 99ri视频在线观看| 91久久电影| 在线另类视频| 蜜臀AV在线观看| 五月丁香婷婷无码A∨| 日本99视频| 五月香婷婷| 日本九九九九| 婷婷丁香五月亚洲免费| 五月婷中文字幕| 99精品网| 五月天久久综合婷婷丁香| 九九偷拍网| 中文字幕黄色片| 综合五月丁香久久| 99热亚洲综合| 亚洲综合色婷婷| 色噜噜狠狠狠综合曰曰曰| 婷婷酒色网| 久99在线视频| 狠狠插狠狠| 色你久久| 久久中文网| 丁香婷婷五月综合| 人人舔人人色人人高潮| 夜夜爱影院| 六月天婷婷| 狠狠肏综合网| 色综合激情图区| 日本啪啪天堂| 夜夜干夜夜操| 人人草公开操| 99综合免费视频| 色综合香蕉| 色婷婷电影网| 99re免费精品视频| 舔色婷婷| 2025年最新亚洲在线欧美| 无码人妻电影| 色婷婷91| 婷婷五月欧美AA片免费| 欧类av怡春院| 婷婷五月天丁香花| 欧美日韩一区二区三区四区| 五月天婷婷色色网| 色五月婷婷影院| 五月综亚洲| 99无码超碰| 中文字幕婷婷在线| 99re视频在线精品| 免费碰碰视频久| 开心五月天激情网| 久热无码| 日韩无码专区| 五月婷婷与六月丁香图片激情| 婷婷色狠狠| 五月婷婷色男女| 在线色色| 超碰精品在线| 91综合国免费久入| 秋霞成人毛片一级A片| 久9热插入| 亚洲网站观看视频| 色五月丁香91| 色色色香蕉五月婷| 五月激情四射网站| 日韩专区五月天婷婷丁香| 五月丁香成人网| 饮料下药迷倒漂亮女同事强干| www.jiujiujiu| 九九在线视频| 黄色一级影片| 五月婷婷久久久| 日本九九视频| 97色在线视频| 色五月天电影| 久久婷婷五月天| 欧洲色色| 天堂伊人干| 夜夜嗨一区二区三区直播内容| 啪啪综合网| 五月婷婷六月丁香| 男人操女人高潮91视频| 激情98色婷婷五| 婷婷五月天97干| 99久操视频| 怡春院天天干| 五月天丁香久久| www.五月婷婷久久.com| 亚洲精品网站色视频| 狠狠艹狠狠艹| 五月婷婷伊人久久| 97久人人| 婷婷五月天色色| 五月天婷婷综合久久| 99视频久久| 丁香 婷婷 激情 综合 五月| 天天日,夜夜爽| 色婷婷色五月综合| 99啪99| 五月玖玖| 99热网精品| 99精彩视频在线观看| 欧美成综合在线观看| 久99久热| 九九在线免费观看| 日韩淑女人妻luan伦激情精品一区二| 九九碰九九爱97超碰| 99久久久| 久久伊人婷| 久9久9久9久9久9久9| 99久热| 日日射天天射| 五月婷婷色播| 亚洲亚洲人成综合网络| 香蕉伊人综合| 丁香六月av| 亚洲成人va| 天天爽人人综合免费7799| 亚洲国产精品VA在线看黑人| 午夜婷婷久久 | 久综合| 五月婷婷综合在线| 欧美乱码国产一级A片| 五月婷五月婷伊人伊人五月婷| 色色色色色色色色色999| 丁香五月欧美| 超碰9799| 91操人视频| 五月开行婷婷色五月| 91超碰在线观看| 亚洲深喉aV| 成人五月天丁香婷| 激情五婷网| 99热这里只有精品中文字幕| 狠狠色婷婷色| 欧美成人猛片AAAAAAA| 国产操逼网站| 狠狠久综合| 五月丁香六月婷婷久久| 色一情一乱一乱91Av| 亚洲五月丁| 一区二区免费看| 色欲色欲久久宗合网| 亚洲成人综合在线| 9久久久久| 免费播放AV| 色综合播放| 久久色情| 五月丁香六月婷婷啪啪| av色色国产| 亚洲午夜在线视频| 丁香月五月天婷婷久久| 婷香五月激情视频| 男人的天堂五月丁香| 丁香婷婷五月基地| 婷色天堂| 色五月激情基地| 我爱大香蕉| 丁香六月啪| 欧美啪啪9| www.玖玖婷婷在线| 亚洲欧美一区二区三区四区爱爱动图| 色色色激情网| 天天天天天天天操| 琪琪色网在线| 婷婷基地五月色| 久久久人妻| 天天做天天爱天天日| 久热 91| 婷婷色在线视频| 五月天婷婷激情小说电影| 91干婷婷| 久久激情五月天| 九九九激情网| 五月婷婷丁香在线视频| 337久久| 五月欧美色色五月| 九九艹女| 欧美25p| 激情丁香久久| 看全色黄大色大片| 久草天堂| 久久9视频| 97丁香花五月天激情小说| 99re6久热只有精品6在线直播| 97香蕉久久超级碰碰高清版| 中文字幕在线观看视频www| 丁香五月婷婷啪| 日韩成人精品中文字幕| 嫩草AV久久伊人妇女超级A| 日日操夜夜爽| 婷婷成人丁香色情基地30| 国产AV影片| 久久99成人性爱高清视频| 好叼操在线观看| 婷婷五月天六点丁香五月| 五月综合激情图片| 超碰三级片| 免费AV播放| 五月天婷婷久久| 五月婷婷久久内射| 久久五月天免费网站| 狠狠色五月| 色10月婷婷视频| 免费无码毛片一区二区A片| 99.色| 久热精品在看| 99性爱视频| 免费试看小视频 99| 亚洲精品九九| 色婷婷久久| 天天狠狠插| 丁香五月很很肏| 久久婷狠狠色| 少妇口诉沐足视频播放器网址| 91在线精品一区二区| 色婷婷激情四射视频| 久久这里精彩免费在线观看| 色涩视频久久| 狠狠香蕉| 日韩欧美骚货| 午夜免费试看| 日操夜操天天操不卡| 天天综合五月| 久久综合伊人综合在线| 狠狠干综合网| 91精品国产综合久久久不卡电影| 五月婷婷亚洲| 成年人99热| 色情五月天丁香社区| 蜜桃人妻无码AV天堂三区| 丁香六月情| 色热久资源| 中文字幕在线视频播放| 激情五月天婷婷丁香| 五月丁香六月花| 99re视频在线播放| 久热A片| 99热这里只有精品55| 深爱婷婷丁香五月激情| 五月丁香拍拍激情综合| 翔田千里 50岁 无码| 亚洲九九99精品视频在线播放| 五月婷婷与六月丁香图片激情| 97caop| 爽极品色| 国产欧美va| 色五月aV| 狠狠综合| 五月丁香久人妻中文| 天堂久久久久天堂网| 婷婷激情图片| 熟女激情网| 五月天综合影院| 亚洲日韩人妻操逼| 丁香婷婷啪啪| 日本一级特黄大片AAAAA级| 激情九月丁香婷婷| 亚洲爆乳无码精品AAA片蜜桃 | 久久免费高| 九九综合| 俺去也婷婷| 六月丁香婷| 亚洲午夜视频| 蜜臀av粉嫩av懂色av| 美女五月天| av网站中文| 米奇激情婷婷| 婷婷五月丁香激情色情| 婷婷五月天 偷拍| 婷婷色综合| 久久精品63| 婷婷欧美激情| 五月天伊人久久久久| 久热天堂| 99热国产婷婷| 色情五月天。| 久久总和99| 四月婷婷五月丁香| 久99久热| 亚洲不卡欧洲| 丁香六月啪啪啪| 91凹凸在线| 91网站黄| 色情五月综合婷婷| 色丁香五月天射婷婷爱婷婷| 天天久久66xxx| 婷婷六月丁香激情| 亚洲九九免费| 天天操天天日天天爽| 久久婷婷五月综合色播| 激情色情五月天| 啪到高潮激情丁香五月| 另类激情首页| 九月激情网| 日本精品99网站| www.五月婷婷久久.com| 久久九九视频网站| 五月丁香婷婷婷婷综合网| 五月天激情无码高清| 亚洲欧美999| 99爱视频| 五月天色五月| 大香蕉 婷婷| 亚洲黄色av网站| 久久婷婷色综合| 综合激情伊人影视在线| 五月丁香天堂网婷婷| 激情五月狠狠| 美女网黄| 99精品视频在线观看| 九月丁香婷婷网| 人人操女人| 综合五月草| 蜜桃五月天色| 99热亚洲精品| 欧美丰满熟妇BBB久久久| 丁香五月瑟瑟| 成人丁香五月| 五月婷婷九月婷婷九月婷婷| 五月天激情四射网站| 丁香五月AV| 国产在线网址1| 天天日夜夜欢| 乱抡小BB| 久久婷婷色| 午夜无码熟熟妇丰满人妻| 91婷婷五月丁香碰| 天天干夜夜操A片| 婷婷丁香色情五月天| AV在线免费播放| 7EzOBIhNq85TO| 99re久热只有精品6在线直播.com| 激情综合播播| 五月丁香五月综合欧美| 无码免费人妻A片AAA毛片西瓜| 婷久久综合| 最新热中文字幕| 天天做天天爱天天爽综合网| 五月天激情小说| 伦99热| 天天做综合网色综合| WWW.99视频| 六月香五月婷| 91久久久久久久久| 久久久久五月丁香| 日日爽日日操| 久久性爱视频| 六月婷婷AV| 五月天色综合服务平台| 九九精品热| 天堂网色色| 色婷婷a三区麻| 91一起操| 激情综合区| 色综合色色| 丁香五月天久久| 色色热99| 色五月综合激情| 丁香花婷婷五月天| 五月天精品综合| 最近韩国日本免费高清观看| 亚洲色久| 亚洲不卡| 4399在线观看免费高清黄色视频| 综合五月激情网| 亚洲情综合五月天| 无码一区二区日韩| 天天干天天色综合| 99久在线精品99re8| 99爱在线视频| 色婷婷色五月综合| 91精品综合久久久久久五月丁香| 日韩黄色中文字幕| 综合狠狠五月婷婷| 日本乱子人伦在线视频| 精品五月丁香| 狠狠爱综合| 午夜丁香丁香婷婷| 日本色色图| 国产成人av在线播放| 中文字幕激情综合| Www99热| 日日干日日| 色婷成人狠干| 荷兰av一级| 久久久A级视频| 婷婷五月天激情开心网| 久婷自拍视频| 婷婷五月影院| 国产av影片| 久久婷婷啪啪视频| 激情九月婷婷| 99久久九九| 婷婷五月天激情综合| 色视五月天婷婷| 成人做爰高潮A片免费视频| 色婷婷婷婷成人网| 久热re视频在线观看网站| www.亭亭五月天| 激情丁香久久| 婷婷综合色| 综合玖玖性爱免费视频| 激情99| 婷婷综合激情五月综合| ZpRSw| 噜噜在线| 色五月丁香六月资源站| 三十熟女| 99综合视频| 五月丁香性爱| 色婷婷成人做爰A片免费看网站 | 超碰人人摸AV| 亚洲人人操| a在线观看| 国产美女无遮挡裸体毛片A片| 五月婷婷自拍视频| www.婷婷,com| 日本99视频| 激情综合五月色丁香婷婷| 丁香久月| 天天射影院| 2025色婷婷| 色播丁香| 五月丁香久久激情综合| 综合久久9| 丁香桃色综合网| 成人人操| 香蕉AV福利精品导航| 天天干天天叉| 久热大香蕉| 丁香五月综合狠狠| 丁香五月婷婷亚洲综合精品| 亚洲第精品| 91久久九久久九久久九久久九久久| 91啪啪视频| www.99视频| www.25五月婷婷| 四射综合网| www.99热| 日本一级特黄大片AAAAA级| 色亭亭五月天网扯| 非洲一级AV| 久久婷婷五月天大香蕉| ww久久| 五月精品免费XXX| 日韩ac不卡无码| 99国产97在线,| 九九aV| 亚洲操B视频| 无遮挡国产高潮视频免费观看| 91九色中文| 国产片色| 美女丁香五月天| 丁香五月婷婷天堂大香蕉| 无码人妻AV久久久一区二区三区 | 丁香五月手机在线| 丁香五月乱中文字幕| 色婷婷综合久色AV五色最新| 超碰高清在线| 久久成人亚洲欧美电影| 99精品在线| 激情AV在线| 色五月丁香六月欧美综合| 欧美色骚婷婷五月天| 天天射美女| 在线99精品| 少妇被下春药玩弄A片| 无码区婷婷五月花开| 婷婷开心综合人妻小说网址| 六月亚洲婷婷6月中文字幕| 第1影院之五月婷婷| 色婷婷性爱网| 亚洲成av人影院| 五月激情啪啪| 免费婷婷| 久久这里只精品| 99热无码| 久热这里精品免费| 丁香六月 婷婷六月| 97色婷| 五月天婷婷狠狠| 五月婷婷丁香综合,亚洲天堂| 久久婷婷五月天| 亚洲五月婷| 欧洲亚洲精品| 碰碰91| 五月婷婷丁香综合| 色五月激情| 狠狠色婷婷777| 久久这里都是精品视频| 丁香开心深爱| 五月丁香激情综合欧美| 久久婷婷六月| 欧美激情 日韩无码 婷婷 五月天| 丁香婷婷91在线观看视频| 丁香五月婷婷99| 五月婷婷黄网站大全| 久久大大香| j五月香在线| 青草青草视频2免费观看| 免费视频WWW在线观看网站| 天天色天天日| 天天爽夜夜操| 嫩草AV久久伊人妇女超级A| 夜夜夜夜夜操| 色五月婷婷网| 丁香五月成人网| 亚洲激情久久| 亚洲天堂99| 五月婷在线| 最近中文字幕2019视频1| 五月丁香六月婷| 欧美三级巜人妻互换| 99精品偷自拍| 九九久久色| 色婷婷综合在线| 五月婷婷狠狠久久| 六月久久婷婷| 97在线视频人妻九色| 成人五月天在线观看| 国产精品第一国产精品| 国产乱子轮XXX农村| 五月激情丁香啪啪| 婷婷中文字幕欧美| 日韩无码乱轮| 久久xx| 色婷婷五月丁香在线观看| 激情黄色小说五月天| 色区域网站视频| 99在线视频免费| 色综合色综合色综合| 日本一级一片免费视频| 人人爱操| 99爱在线| 97人妻碰碰碰久| 天天日,夜夜爽| 情情五月天色| 色情五月停停丁香| 九九热re99re6在线精品| 五月丁香成人网| 日韩综合成人| 性生活视频98791| 亚洲中文无码成人| 69er小视频| 久久性爱视频| 天天色播| 伊人五月天久久| 婷婷五月综合激情| 色香五月天| 久久总和99| 一级AV片| www狠狠com| 天天狠狠插| 色综合色综合色综合色综合| 色丁香久久| 五月婷婷黄| 久久久久久久综合狠狠综合| 婷婷五月天激情五月天深爱五月天| 五月天激情婷婷| 99热国品| 9 1超碰九色| 亚洲色a| 99热在这里只有精品| 五月婷婷六月激情| 大香蕉婷婷久久| 亚州性爱99| 97影院一级片| 九月停停| 亚洲婷婷月丁香五月| 天天做天天爱天天爽综合网| 四LLL少妇BBBB槡BBBB| 九色在线观看91av| 操逼123网| 婷婷六月久久综合导航| 色五月天 丁香| 亚洲avjiujiur91| 日本在线va| 六月丁香五月婷婷| 国产精品久久..4399| 天天干天天色天天干| www.婷婷五月天| 精品人妻在线| 婷婷六月天亚州| 丁香激情网| 久久五月婷综合| 99在线观看免费精品视频| www.99热在线观看| 五月婷婷手机在线| 996er热| 久久婷婷五月综合精品蜜芽| 激情五月天色爱| 日本乱子人伦在线视频| 婷婷五月电影院| 色亚洲欧洲| 五月婷婷伊| 六月激情婷婷色| 色五月天电影| 久久人操| 另类激情五月在线视频欧美| 婷婷综合玖玖五月| 第一区久久网站| 激情丁香五月天图片| 五月婷婷六月丁香玖玖玫瑰91| 夜夜爽日日躁| 色五月综合网| 好色婷婷| 天天噜| 久久性都花花世界成人免费视频| 69五月天视频| 久久丁香五月| www.色99| 激情五月小说婷婷| 91成人电影| 婷婷五月大香蕉| 五月婷啪啪| 五月婷婷激情五月| 日韩色色一区| 色婷婷丁香五月| 激情九九九九| 日本色综合| 国产99久久久国产精品免费看| 麻豆科斗777| 粉嫩AV久久一区二区三区| 婷婷六月丁香激情| 激情第四色| 九九视频精品在线免费 | 国产伦亲子伦亲子视频观看| 五月天六月天| 婷婷综合网| 天干天天干天天天天天| 欧美性爱五月天| 99综合| 国产午夜精品AV一区二区麻豆| 久久精品色| 中文字幕按摩做爰| 丁香色五月婷婷91桃色| 99在线视频。| 婷婷色导航| 超碰人人操人人干| 婷婷五月天开心网| 亚洲狠狠婷婷综合久久久| 亚洲久久天堂| 99在线精品视频在线观看| 狠狠色色综合| 伊人五月天在线| 九九人妻福利| 碰碰碰97国产| 日本色色网站| 亚洲av免费在线| 国产成人精品一区二三区熟女在线| 婷婷五月亚洲激情| 色欲AVV| 玖玖午夜视频| 久/久精品99看9| 97很鲁在线视频| 激情图片五月天| 欧美精品啪啪| 亚洲乱码日产精品BD| 色婷婷色婷婷五月| 中文在线成人| 丁香六月综合激情| 亚洲影院婷婷色| 夜夜撸日日操| 狠狠狠婷婷五月综合| 大香久久综合网| 丁XX 成人| 99热 免费| 一级性感毛片| 色墦五月丁香| 日韩欧美骚货| 成人视屏在线观看| 国产精品人成A片一区二区| 亚洲最大视频| 八戒青柠影视剧在线观看| 精品人妻久久久久| 爱性综合网| 亚洲无码免费看| av在线资源| 激情网综合| 97操在线视频| 五月综合激情婷婷六月色窝| 色色色色网| 99超在线| 一区操| 欧美激情综合| 成人短视频在线免费观看| 日本精品干| 色网五月婷婷| 亚洲色网址| EEUSS鲁片一区二区三区| 久久这里只有精彩| 丁香五月综合无码趴趴| 精品欧美一区二区三区久久久| 四月婷婷五月丁香| 精久久色| 欧美成人无码一区二区三区| 人人干人人操外国| 亚洲三A| 丁香六月婷| 色色亚洲视频| 五月激情综合深爱| 色综合久久五月| 色色九区| 午夜激情四射影院| 极品少妇高潮啪啪AV无码| 激情 婷婷| 婷婷色正月| 国产五月婷| 九九亚洲无码| 日本9区视频| 黄网在线免费| 99国产精品白浆在线观看免费| 天天操天天插| 国产婷婷五月天| 97色伦另类图片小说视频 | 色欲人妻综合aaaaaaaa网| 欧洲一区二区| 狠狠 久久| 精品九九九久| 激情五月丁香五月色| 久久这里只有精品8| 亚洲AV综合网| 大香蕉久热| 一本综合丁香日日狠狠色| 韩日在线熟女| 深爱激情中文五月天av| 久久九色| 操逼六区| 婷婷五月天综合久久| 综合五月丁香六月婷婷| 五月丁香婷久久| 欧美十二区| 影音 五月 婷婷 久久| 国产高清av黄色看片| 五月婷婷六月丁香| 天天爽天天操| 99在线精品免费视频| 天天射影院| 婷婷五月综合在线| 色五月婷婷网| 久久婷五月| 九九这里只有精品| 精品人妻伦九区久久AAA片| 日产精品一线二线三线芒果| 色播五月网| 9久精品| 丰满老熟妇BBBBB搡BBB| 亚洲激情综合| 色伦专区97中文字幕| 色啦啦视频| 激情综合网激情五月婷婷| 国产亚洲AV人片在线| 精品九九婷婷| 婷婷丁香五月色偷偷| 伦99热| 久久综合爱| 亚州激情在线视频| 天天噜天天爱| 精品无码99| 色综合五月| 91Chinese在线| 六月综合婷婷开心伊人| 国产亚洲精品久久久久久郑州| 99ER热精品视频| 610018岁成人视频| 变天就操逼婷婷五月| 久久Xx| 人妻自慰在线| 99这里只有免费的精品| 丁香六月天婷婷开心综合| www.五月天婷婷| 五月丁香在线| 日本久久高清| 综合五月天| 日韩精品一曲二曲三曲四曲五曲| 五月激情久久| www.色五月.com| 天天日天天摸天天| 激情六月综合| 98色花堂98t.R| 五月丁香成人网| 日本人妻久久| 97干在线观看视频| 蜜臀九九九九| 九热电影av| 怡红院 久久| wuyuedingxiang99| 丁香五月婷在线观看| 五月天婷综合| 久色视频| 1024欧美看片| 色色五月婷| 天天操,夜夜骑| AA丁香综合激情| 国产日比| 91视频久久久| 丁香激情五月综合网| 激情五月亚洲| 天天插天天插天天插天天插| 国产99久| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 丁香狠狠色婷婷久久无码视频 | 成人视屏在线观看| 欧美丁香五月天| 日本色色图| 欧美顶级少妇做爰HD| 97人人做| 色情五月停停丁香| 婷婷色导航| 人操91在线| 九九热免费观看视频| 亚洲乱码w在线观看| 丁香,开心成人,久久| 激情丁香六月| 天天干天天射色综合| 九九伊人网| 免费啪啪亚州视频| 99久久思思| 婷婷色色网| 99婷婷五月天激情| 婷婷夜夜夜夜| 99爽视频| 97涩婷婷| 亚洲五月天综合| 色色色999| jiujiuxiangjiaowang| 亚洲亚洲激情| 久久综合九九| 4438激情网| 婷婷五月天论坛| 国产精品色色| 99综合视频| 99精品视频偷拍| 亚洲日本三级片| 全国最新疫情| 99热久| www.超碰在线| 日日综合网| 欧美一级a| 99精品在| 国产69久久久欧美黑人A片 | 色五月婷婷五月| 97操资源婷婷| 婷婷五月开心中文字幕在线| 99热精品在线| 中文字幕在线免费| 9l视频自拍九色9l视频在线观看| ZpRSw| WWW.桔色成人.COM入口| 99热婷婷| 丁香六月狠狠| 91色色色| 色色五月天激情| 久久婷婷亚洲| 在线成人网址| 丁香五月婷婷激情网| 国产在线黄色| 天堂网啪啪| 天天操天天曰天天射| 久色五月丁香视频| 婷婷影院欧美| 开心色五月天久久久久久久| 亚洲在线网站| 丁香六月婷婷综合啪啪| 中文字幕人妻AV| 五月天婷婷色小说| 影音 五月 婷婷 久久| 丁香五月婷婷色| 激情五月婷婷色色|